Informacja

Drogi użytkowniku, aplikacja do prawidłowego działania wymaga obsługi JavaScript. Proszę włącz obsługę JavaScript w Twojej przeglądarce.

English (EN)·Polski (PL)·Yкраїнський (UK)
Przejdź do strony domowej biblioteki Centralna Biblioteka Wojskowa Link otwiera się w nowym oknie Logo biblioteki Prolib Integro - strona głównaCentralna Biblioteka Wojskowa

Wyszukujesz frazę "neural network model" wg kryterium: Temat

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-12 z 12
    Tytuł:
    Nonlinearity Correction in Dynamic Measuring Devices Using Neural Network Models
    Korekcja nieliniowości za pomocą modeli sieci neuronowych w zastosowaniu do dynamicznych urządzeń pomiarowych
    Autorzy:
    Al Rawashdeh, Laith Ahmed Mustafa
    Zakharov, Igor Petrovitch
    Zaporozhets, Oleg Vasyliovych
    Powiązania:
    https://bibliotekanauki.pl/articles/2068664.pdf
    Data publikacji:
    2020
    Wydawca:
    Sieć Badawcza Łukasiewicz - Przemysłowy Instytut Automatyki i Pomiarów
    Tematy:
    artificial neural network
    three-layer perceptron
    training
    inverse model
    neural network compensator
    sztuczna sieć neuronowa
    trójwarstwowy perceptron
    uczenie
    model odwrotny
    kompensator sieci neuronowej
    Opis:
    A neural network compensator for the nonlinearity of a dynamic measuring instrument is proposed, which allows restoring the value of the measured input signal. The inverse model of a nonlinear dynamic measuring device is implemented based on a three-layer perceptron supplemented by delay lines of input signals. The properties of the proposed neural network compensator are studied through simulation computer modelling using various types of calibration input signals for the training of an artificial neural network.
    Zaproponowano kompensator sieci neuronowej dla nieliniowości dynamicznego przyrządu pomiarowego, który umożliwia odtworzenie wartości mierzonego sygnału wejściowego. Odwrotny model nieliniowego dynamicznego urządzenia pomiarowego realizowany jest w oparciu o trójwarstwowy perceptron uzupełniony o linie opóźniające sygnałów wejściowych. Właściwości proponowanego kompensatora sieci neuronowej są badane poprzez symulacyjne modelowanie komputerowe z wykorzystaniem różnego rodzaju sygnałów wejściowych kalibracji do uczenia sztucznej sieci neuronowej.
    Źródło:
    Pomiary Automatyka Robotyka; 2020, 24, 4; 57--60
    1427-9126
    Pojawia się w:
    Pomiary Automatyka Robotyka
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Analiza twardości selera w czasie suszenia
    Analysis of celery hardness during drying process
    Autorzy:
    Łapczyńska-Kordon, B.
    Francik, S.
    Powiązania:
    https://bibliotekanauki.pl/articles/289364.pdf
    Data publikacji:
    2006
    Wydawca:
    Polskie Towarzystwo Inżynierii Rolniczej
    Tematy:
    twardość
    sztuczna sieć neuronowa
    model SSN
    seler
    hardness
    SSN model
    artificial neural network
    celery
    Opis:
    W pracy przedstawiono próbę zastosowania modelu sformułowanego na bazie sztucznych sieci neuronowych do opisu zmian twardości selera w czasie konwekcyjnego suszenia w warunkach wymuszonego przepływu powietrza. Model opracowano na podstawie badań. Próbki selera w kształcie cylindrów o wymiarach 10x10 mm poddano suszeniu konwekcyjnemu w temperaturach: 60 i 70°C. Podczas suszenia w równych odstępach czasowych określano twardość materiału metodą Vickersa za pomocą mikrotwardościomierza PMT-3. Do opisu zmian twardości w zależności od zawartości wody, temperatury suszenia i rodzaju obróbki przed suszeniem zastosowano model opracowany za pomocą sztucznych sieci neuronowych SSN. Do budowy modelu zastosowano wielowarstwową jednokierunkową sztuczną sieć neuronową, wykorzystując do uczenia zmodyfikowany algorytm wstecznej propagacji błędu. Analizowano sieci o różnej architekturze w celu zoptymalizowania działania modelu sieciowego. Stwierdzono, że sieć o 3 neuronach w warstwie 1, 3 neuronach w warstwie 2 i 1 neuronie w warstwie wyjściowej jest optymalna. Błąd względny globalny pomiędzy wartościami otrzymanymi z doświadczeń i z obliczeń wyniósł 28,7%.
    The paper presents an attempt of using a model created based on artificial neural networks for description of changes in celery hardness during convection drying under forced air circulation conditions. The model was developed based on the tests. Celery samples in a form of cylinders in size of 10x10 mm were put to convection drying at temperatures: 60 and 70°C. During the drying process material hardness was determined at equal time intervals based on the Vickers method using microhardness tester PMT-3. For description of hardness changes as a function of water content, drying temperature and type of treatment before drying a model developed based on artificial neural networks SSN was used. For creating the model a multilayer unidirectional neural network was employed, using a modified algorithm of backward error propagation for learning process. Networks with different architecture were analyzed in order to optimize actions of the network model. The analysis showed that the optimal network was the one with 3 neurons in layer 1, 3 neurons in layer 2 and 1 neuron in output layer. The global relative error between the values obtained from the experiments and from calculations was 28,7%.
    Źródło:
    Inżynieria Rolnicza; 2006, R. 10, nr 13(88), 13(88); 295-302
    1429-7264
    Pojawia się w:
    Inżynieria Rolnicza
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Analiza stanu naprężeń i przemieszczeń konstrukcji aluminiowej z wymienianymi elementami
    The analysis of stresses and displacements in the aluminium structure with replaceable elements
    Autorzy:
    Potrzeszcz-Sut, B
    Pabisek, E.
    Powiązania:
    https://bibliotekanauki.pl/articles/390675.pdf
    Data publikacji:
    2013
    Wydawca:
    Politechnika Lubelska. Wydawnictwo Politechniki Lubelskiej
    Tematy:
    analiza numeryczna
    model materiału Ramberga – Osgooda
    sztuczna sieć neuronowa
    neuronowy model materiału
    numerical analysis
    Ramberg-Osgood material model
    artificial neural network
    neural material model
    Opis:
    Praca dotyczy nieliniowej analizy numerycznej naprężeń i przemieszczeń węzłów kratownicowej wieży aluminiowej. Założono model materiału Ramberga – Osgooda (RO) przedstawiający potęgową zależność między odkształceniem i naprężeniem: ε(σ). W celu identyfikacji zależności odwrotnej – σ(ε), dla materiału aluminiowego, zastosowano sztuczną sieć neuronową (SSN). W związku z koniecznością wzmocnienia konstrukcji, do układu wprowadzono sprężyste elementy stalowe. Przeprowadzono analizę stanu naprężeń i ekstremalnych przemieszczeń podczas cyklicznego obciążania i odciążania układu. Wykonano dwa rodzaje globalnych odciążeń – sprężyste i sprężysto – plastyczne. Przedstawione zostały zależności między wartością parametru obciążenia konfiguracyjnego, a wychyleniem wierzchołka A wieży. Analiza została wykonana za pomocą programu hybrydowego integrującego MES i SSN.
    The paper concerns the non-linear analysis of stresses and displacements in an aluminium truss tower. The Ramberg – Osgood material model was assumed. This model introduced power type relation between stresses and strains. In order to identify the inverse relation, a neural network was used. Because of the need to strengthen the tower, a number of aluminium bars was replaced by steel bars. The perfect elastic material model was assumed for the steel bars. The analysis of stresses and extreme displacements was performed during the cyclic loading and unloading of the system. Two global unloading processes were considered: elastic and elastic-plastic processes. The relationship between the load factor and deflection of the top of the tower is shown. Analysis was performed using a hybrid FEM/ANN program.
    Źródło:
    Budownictwo i Architektura; 2013, 12, 1; 275-282
    1899-0665
    Pojawia się w:
    Budownictwo i Architektura
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Artificial neural network for solving the inverse kinematic model of a spatial and planar variable curvature continuum robot
    Autorzy:
    Ghoul, Abdelhamid
    Kara, Kamel
    Djeffal, Selman
    Benrabah, Mahomed
    Hadjili, Mohamed Laid
    Powiązania:
    https://bibliotekanauki.pl/articles/27309873.pdf
    Data publikacji:
    2022
    Wydawca:
    Polska Akademia Nauk. Czasopisma i Monografie PAN
    Tematy:
    continuum robots
    inverse kinematic model
    artificial neural network
    roboty kontinuum
    odwrotny model kinematyczny
    sztuczna sieć neuronowa
    Opis:
    In this paper, neural networks are presented to solve the inverse kinematic models of continuum robots. Firstly, the forward kinematic models are calculated for variable curvature continuum robots. Then, the forward kinematic models are implemented in the neural networks which present the position of the continuum robot’s end effector. After that, the inverse kinematic models are solved through neural networks without setting up any constraints. In the same context, to validate the utility of the developed neural networks, various types of trajectories are proposed to be followed by continuum robots. It is found that the developed neural networks are powerful tool to deal with the high complexity of the non-linear equations, in particular when it comes to solving the inverse kinematics model of variable curvature continuum robots. To have a closer look at the efficiency of the developed neural network models during the follow up of the proposed trajectories, 3D simulation examples through Matlab have been carried out with different configurations. It is noteworthy to say that the developed models are a needed tool for real time application since it does not depend on the complexity of the continuum robots' inverse kinematic models.
    Źródło:
    Archive of Mechanical Engineering; 2022, LXIX, 4; 595--613
    0004-0738
    Pojawia się w:
    Archive of Mechanical Engineering
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Budowa sztucznej sieci neuronowej do identyfikacji parametrów modelu odbiornika elektrycznego
    Construction of the artificial neural network to identify the model parameters of the electric receiver
    Autorzy:
    Zajkowski, K.
    Duer, S.
    Powiązania:
    https://bibliotekanauki.pl/articles/249886.pdf
    Data publikacji:
    2012
    Wydawca:
    Instytut Naukowo-Wydawniczy TTS
    Tematy:
    sztuczna sieć neuronowa
    model
    parametry
    odbiorniki elektryczne
    artificial neural network
    parameters
    electric receiver
    Opis:
    W artykule przedstawiono sposób wyznaczania parametrów modelu odbiornika elektrycznego w postaci liniowego, aktywnego dwójnika, bazujący na sztucznej sieci neuronowej. Zadaniem sieci jest wyznaczenie rozwiązania N równań o N niewiadomych. Algorytm ten umożliwia wyznaczenie rozwiązania w sytuacji gdy współczynniki Ai w równaniach obarczone są błędami pomiarowymi. Dla pewnych wartości Ai, (gdzie i = 1, ..., N) nie istnieją funkcje odwrotne równań wejściowych. W tym przypadku niemożliwe jest wyznaczenie rozwiązania układu równań metodami klasycznymi.
    The paper presents the method of determining the electrical parameters of the model that contains the serial receiver combination of elements R, L, E, based on artificial neural network. The purpose of this network is determine solutions N equations with N unknowns. This algorithm allows to determine a solution where Ai coefficients in these equations contain errors. For some values of Ai (where i = 1, ..., N) there is no inverse function of input equations. In this case, it is impossible to determine a solution of the equations of classical methods.
    Źródło:
    TTS Technika Transportu Szynowego; 2012, 9; 521-529, CD
    1232-3829
    2543-5728
    Pojawia się w:
    TTS Technika Transportu Szynowego
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Analiza jakości modelu matematycznego i modeli opartych na sztucznych sieciach neuronowych na przykładzie wybranych cech fizycznych komponentów
    Adequacy of the mathematical model and the models based on artificial neural networks to evaluating the kinetic strength of feed pellets
    Autorzy:
    Grieger, A.
    Rynkiewicz, M.
    Powiązania:
    https://bibliotekanauki.pl/articles/288831.pdf
    Data publikacji:
    2005
    Wydawca:
    Polskie Towarzystwo Inżynierii Rolniczej
    Tematy:
    model matematyczny
    sztuczna sieć neuronowa
    pasza granulowana
    wytrzymałość kinetyczna
    mathematical model
    artificial neural network
    kinetic strength
    feed pellet
    Opis:
    Opisano procedurę badania wytrzymałości kinetycznej paszy granulowanej. Na podstawie przeprowadzonego eksperymentu zbadano zależności pomiędzy stopniem rozdrobnienia komponentów paszy sypkiej i ciśnieniem pary podawanej do kondycjonera granulatora na wytrzymałość kinetyczną paszy granulowanej. Na podstawie uzyskanych wyników zbudowano model matematyczny i dziewięć modeli opartych na strukturze sztucznych sieci neuronowych. Na podstawie przeprowadzonej analizy nie stwierdzono istotnych różnic w wartościach średnich błędów względnych badanych modeli.
    The procedure of testing kinetic strength of the feed pellets was described. On the basis of experiment results the relationship between finesses degree of ground feed components and the pressure of steam supplied to conditioning assembly of granulator, as well as their effect on the kinetic strength of feed pellets, were determined. Obtained results enabled to develop the mathematical model and nine models based on artificial neural networks. The ANN based models were the subjects to teaching according to the Neuronix 2.3 software. The errors arising at net-work teaching were compared with errors attributed to predetermined algorithm. No substantial differences were found between the mean values of relative errors bound to both tested models.
    Źródło:
    Inżynieria Rolnicza; 2005, R. 9, nr 8, 8; 101-109
    1429-7264
    Pojawia się w:
    Inżynieria Rolnicza
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Modelling population density using artificial neural networks from open data
    Modelowanie gęstości ludności z wykorzystaniem sztucznych sieci neuronowych na podstawie otwartych danych
    Autorzy:
    Nadolny, Adam
    Powiązania:
    https://bibliotekanauki.pl/articles/2146817.pdf
    Data publikacji:
    2021
    Wydawca:
    Polskie Towarzystwo Informacji Przestrzennej
    Tematy:
    population density
    artificial neural network
    detection model
    information extraction
    image
    gęstość zaludnienia
    sztuczna sieć neuronowa
    model detekcyjny
    ekstrakcja informacji
    obraz
    Opis:
    This paper introduces the concept of creating a model for population density prediction and presents the work done so far. The unit of reference in the study is more the population density of a location rather than tracking human movements and habits. Heterogeneous open data, which can be obtained from the World Wide Web, was adopted for the analysis. Commercial telephony data or social networking applications were intentionally omitted. Both for data collection and later for modeling the potential of artificial neural networks was used. The potential of detection models such as YOLO or ResNet was explored. It was decided to focus on a method of acquiring additional data using information extraction from images and extracting information from web pages. The BDOT database and statistical data from the Central Statistical Office (polish: GUS) were adopted for the base model. It was shown that the use of street surveillance cameras in combination with deep learning methods gives an exam.
    W niniejszej pracy przedstawiono koncepcję stworzenia modelu do predykcji gęstości ludności oraz przedstawiono wykonane dotychczas prace. Jednostką odniesienia w badaniach jest bardziej gęstość ludności w danym miejscu niż śledzenie ruchów i nawyków człowieka. Do analizy przyjęto heterogeniczne otwarte dane, które można pozyskać z sieci WWW. Celowo pominięto komercyjne dane telefonii czy aplikacji społecznościowych. Zarówno do gromadzenia danych jak i później do modelowania wykorzystano potencjał sztucznych sieci neuronowych. Zbadano potencjał modeli detekcyjnych takich jak YOLO czy ResNet. Postanowiono skupić się na metodzie pozyskiwania dodatkowych danych z wykorzystaniem ekstrakcji informacji z obrazu oraz pozyskiwania informacji ze stron WWW. Do modelu bazowego przyjęto bazę danych BDOT oraz dane statystyczne z GUS. Wykazano, że wykorzystanie kamer monitoringu ulic w połączeniu z metodami głębokiego uczenia daje egzamin.
    Źródło:
    Roczniki Geomatyki; 2021, 19, 2(93); 31--43
    1731-5522
    2449-8963
    Pojawia się w:
    Roczniki Geomatyki
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Modele i reguły decyzyjne w symptomowej diagnostyce technicznej
    Models and decision rules in symptom technical diagnostic
    Autorzy:
    Jastriebow, A.
    Gad, S.
    Słoń, G.
    Powiązania:
    https://bibliotekanauki.pl/articles/327440.pdf
    Data publikacji:
    2006
    Wydawca:
    Polska Akademia Nauk. Polskie Towarzystwo Diagnostyki Technicznej PAN
    Tematy:
    model matematyczny
    model informacyjny
    sztuczna sieć neuronowa
    reguła logiczna
    reguła numeryczna
    diagnostyka
    pojazd
    mathematical model
    informative model
    artificial neural network
    logic rule
    numeric rule
    diagnostic
    vehicle
    Opis:
    W pracy przedstawiono modele i reguły decyzyjne stosowane w symptomowej diagnostyce technicznej. Modele podzielono na dwie grupy: matematyczne i informacyjne. Opisano kryteria budowy takich modeli. Na podstawie opisanych modeli przedstawiono reguły decyzyjne. Na przykładzie diagnozowania wyposażenia elektrycznego samochodów przedstawiono wyniki symulacyjnej analizy wybranych reguł. Wyniki analizy potwierdzają wysoką efektywność metod opartych na sztucznych sieciach neuronowych.
    In the paper models and decision rules, applied in the symptom technical diagnostic, are presented. Models have been split into two groups: mathematical and informative. Criterions of designing of such models are described. On the basis of described models, decision rules have been presented. Results of the simulating analysis of chosen rules have been presented on the example of diagnosing of car's electrical equipment. Results of the analysis confirm high efficiency of methods artificial neural networks.
    Źródło:
    Diagnostyka; 2006, 3(39); 199-208
    1641-6414
    2449-5220
    Pojawia się w:
    Diagnostyka
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    The application of the process modelling of anodic wet-stripping of CrN multi-layer coatings for characteristics prediction
    Zastosowanie modelowania do prognozowania przebiegu anodowego rozpuszczania złożonych powłok CrN
    Autorzy:
    Bujak, J.
    Ruta, R.
    Trzos, M.
    Powiązania:
    https://bibliotekanauki.pl/articles/256710.pdf
    Data publikacji:
    2006
    Wydawca:
    Sieć Badawcza Łukasiewicz - Instytut Technologii Eksploatacji - Państwowy Instytut Badawczy
    Tematy:
    powłoka CrN
    rozpuszczanie anodowe
    modelowanie statystyczne
    sztuczna sieć neuronowa
    model prognostyczny
    multi-layer coating
    anodic wet-stripping
    statistical modelling
    artificial neural network
    prognostic model
    Opis:
    The paper presents the results of experimental research on a process of anodic wet-stripping of CrN multi-layer coatings. The stripping rate was correlated with the coating structure and the current density of the stripping process. The experimental data was statistically analysed and regression models of stripping thickness were created as a function of stripping time. The obtained results indicated that the anodic wet-stripping process can be described by means of linear function only in the case of one-layer coatings. Moreover, the general neural network model was created as a complex model including both quantitative and qualitative variables characterising the wet-stripping process. The developed models enable the estimation of the character and time of the stripping process, depending on the coating thickness, structure and current parameters.
    W artykule przedstawiono wyniki badań eksperymentalnych anodowego procesu rozpuszczania złożonych powłok CrN. Uzyskane wyniki poddano analizie statystycznej, w rezultacie której wyznaczono modele regresyjne przebiegu procesu rozpuszczania w funkcji czasu. Ponadto wykorzystując sztuczne sieci neuronowe opracowano kompleksowy model procesu rozpuszczania anodowego. Opracowane modele umożliwiają oszacowanie przebiegu i czasu rozpuszczania w zależności od grubości powłoki oraz zastosowanych parametrów prądowych.
    Źródło:
    Problemy Eksploatacji; 2006, 4; 7-16
    1232-9312
    Pojawia się w:
    Problemy Eksploatacji
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Wykorzystanie danych lotniczego skaningu laserowego do klasyfikacji pokrycia terenu dla modelowania hydrodynamicznego
    The use of airborne laser scanning data to land cover supervised classification for hydrodynamic modelling
    Autorzy:
    Tymków, P.
    Borkowski, A.
    Powiązania:
    https://bibliotekanauki.pl/articles/129560.pdf
    Data publikacji:
    2006
    Wydawca:
    Stowarzyszenie Geodetów Polskich
    Tematy:
    digital terrain model (DTM)
    lotniczy skaning laserowy
    klasyfikacja nadzorowana
    sztuczna sieć neuronowa
    numeryczny model terenu
    modelowanie hydrodynamiczne
    airborne laser scanning (ALS)
    supervised classification
    artificial neural network
    hydrodynamic modelling
    Opis:
    Badania nad problematyką zapobiegania powodzi wymagają budowy modeli matematycznych przepływów wezbraniowych. Obliczenia hydrodynamiczne wykonywane są w oparciu o dane charakteryzujące geometrię doliny rzeki oraz opory przepływu, które zależą od pokrycia terenu. W artykule podjęto próbę wykorzystania danych lotniczego skaningu laserowego, wykonanego na potrzeby budowy numerycznego modelu terenu (NMT) dla modelowania hydrodynamicznego, do automatycznej nadzorowanej klasyfikacji pokrycia terenu. Klasyfikację tę oparto o wielowarstwowe sztuczne sieci neuronowe typu feed-forward. Wektor cech klasyfikowanych obiektów (klasyfikacja per-piksel) stanowiły dane o wysokości form pokrycia terenu, kolorowe zdjęcia lotnicze, dane charakteryzujące teksturę obszarów na zdjęciach oraz intensywność odbicia fali elektromagnetycznej skaningu laserowego. Wysokości form pokrycia terenu obliczone zostały na podstawie NMT i numerycznego modelu pokrycia terenu (NMPT) wygenerowanego z danych skaningu lotniczego. Niemetryczne zdjęcia lotnicze wykonane aparatem cyfrowym, poddane kalibracji i mozaikowaniu, stanowiły źródło informacji o jasności odbicia światła obiektów oraz były podstawą obliczeń teksturowych opartych o metodę macierzy sąsiedztwa (GLCM). Jako wektory uczące sieci neuronowej wybrano dziesięć pól testowych o powierzchni 400 m², w tym pięć klas roślinności wysokiej. Otrzymane rezultaty przedstawiono w formie graficznej oraz wykonano ilościową ocenę zgodności wyników z klasyfikacją przeprowadzoną w sposób manualny. Obliczone w tym celu wartości współczynnika κ potwierdzają dużą zgodność wyników klasyfikacji automatycznej z oczekiwanym rezultatem.
    Flood protection research requires building mathematic models of flood flows. Hydraulic calculations are carried out on the basis of geometrical description of the valley as well as on surface roughness which depends on a land cover. Currently, geometric description of the modeling area in the form of cross-sections is often replaced with a digital terrain model (DTM). The data which is required to build DTM can be collected with photogrammetry or the airborne laser scanning method. An attempt at using airborne laser scanning data which was made for DTM and digital surface model (DSM) interpolation, for supervised classification of land cover was discussed. The classification was based on feed-forward artificial neural networks. Two cases were investigated: variant I - overall classification using one artificial neural network with 2 hidden layers of 10 neurons and variant II - individual recognition using different networks with one hidden layer of 10 neurons for each class. The feature vector of classified object (per-pixel classification) included: data concerning vegetation height, color aerial photographs, texture features and laser wave intensities. Heights of vegetation were calculated on the basis of DTM and DSM which were created for hydrodynamic modelling. Non-metric aerial photographs were taken by digital camera. After calibration and mosaic they served as sources of information about the lightness of objects. It was also a basis of GLCM (Grey Level Co-occurrence Matrix) texture feature calculations. Ten training fields of 400 m² were chosen as training vectors. Five of them represented various types of high vegetation. The collected data were visualized and computed numerically. A Kappa (κ) coefficient built on the basis of a confusion matrix was used for the quantitative assessment. The high similarity of the obtained results and reference data was confirmed by the value of the calculated kappa coefficient. Better results were obtained for individual classification (variant II) when the kappa value was 0.86.
    Źródło:
    Archiwum Fotogrametrii, Kartografii i Teledetekcji; 2006, 16; 537-546
    2083-2214
    2391-9477
    Pojawia się w:
    Archiwum Fotogrametrii, Kartografii i Teledetekcji
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Soft computing based prediction of friction angle of clay
    Autorzy:
    Dutta, R. K.
    Gnananandarao, T.
    Ladol, S.
    Powiązania:
    https://bibliotekanauki.pl/articles/1818506.pdf
    Data publikacji:
    2020
    Wydawca:
    Stowarzyszenie Komputerowej Nauki o Materiałach i Inżynierii Powierzchni w Gliwicach
    Tematy:
    artificial neural network
    sensitivity analysis
    M5P model tree
    multiregression analysis
    friction angle of clay
    sztuczna sieć neuronowa
    analiza wrażliwości
    drzewo modelu M5P
    analiza wielokrotnej regresji
    Opis:
    Purpose: This article uses soft computing-based techniques to elaborate a study on the prediction of the friction angle of clay. Design/methodology/approach: A total of 30 data points were collected from the literature to predict the friction angle of the clay. To achieve the friction angle, the independent parameters sand content, silt content, plastic limit and liquid limit were used in the soft computing techniques such as artificial neural networks, M5P model tree and multi regression analysis. Findings: The major findings from this study are that the artificial neural networks are predicting the friction angle of the clay accurately than the M5P model and multi regression analysis. The sensitivity analysis reveals that the clay content is the major influencing independent parameter to predict the friction angle of the clay followed by sand content, liquid limit and plastic limit. Research limitations/implications: The proposed expressions can used to predict the friction angle of the clay accurately but can be further improved using large data for a wider range of applications. Practical implications: The proposed equations can be used to calculate the friction angle of the clay based on sand content, silt content, plastic limit and liquid limit. Originality/value: There is no such expression available in the literature based on soft computing techniques to calculate the friction angle of the clay.
    Źródło:
    Archives of Materials Science and Engineering; 2020, 104, 2; 58--68
    1897-2764
    Pojawia się w:
    Archives of Materials Science and Engineering
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Prediction of flexural strength of FRC pavements by soft computing techniques
    Autorzy:
    Kimteta, A.
    Thakur, M.S.
    Sihag, P.
    Upadhya, A.
    Sharma, N.
    Powiązania:
    https://bibliotekanauki.pl/articles/24200582.pdf
    Data publikacji:
    2022
    Wydawca:
    Stowarzyszenie Komputerowej Nauki o Materiałach i Inżynierii Powierzchni w Gliwicach
    Tematy:
    flexural strength
    fibre reinforced concrete
    artificial neural network
    random forest
    random tree
    M5P based model
    wytrzymałość na zginanie
    beton zbrojony włóknami
    sztuczna sieć neuronowa
    las losowy
    drzewo losowe
    model oparty na M5P
    Opis:
    Purpose: The mechanical characteristics of concrete used in rigid pavements can be improved by using fibre-reinforced concrete. The purpose of the study was to predict the flexural strength of the fibre-reinforced concrete for ten input variables i.e., cement, fine aggregate, coarse aggregate, water, superplasticizer/high range water reducer, glass fibre, polypropylene fibre, steel fibres, length and diameter of fibre and further to perform the sensitivity analysis to determine the most sensitive input variable which affects the flexural strength of the said fibre-reinforced concrete. Design/methodology/approach: The data used in the study was acquired from the published literature to create the soft computing modes. Four soft computing techniques i.e., Artificial neural networks (ANN), Random forests (RF), Random trees RT), and M5P, were applied to predict the flexural strength of fibre-reinforced concrete for rigid pavement using ten significant input variables as stated in the ‘purpose’. The most performing algorithm was determined after evaluating the applied models on the threshold of five statistical indices, i.e., the coefficient of correlation, mean absolute error, root mean square error, relative absolute error, and root relative squared error. The sensitivity analysis for most sensitive input variable was performed with out-performing model, i.e., ANN. Findings: The testing stage findings show that the Artificial neural networks model outperformed other applicable models, having the highest coefficient of correlation (0.9408), the lowest mean absolute error (0.8292), and the lowest root mean squared error (1.1285). Furthermore, the sensitivity analysis was performed using the artificial neural networks model. The results demonstrate that polypropylene fibre-reinforced concrete significantly influences the prediction of the flexural strength of fibre-reinforced concrete. Research limitations/implications: Large datasets may enhance machine learning technique performance. Originality/value: The article's novelty is that the most suitable model amongst the four applied techniques has been identified, which gives far better accuracy in predicting flexural strength.
    Źródło:
    Archives of Materials Science and Engineering; 2022, 117, 1; 13--24
    1897-2764
    Pojawia się w:
    Archives of Materials Science and Engineering
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
      Wyświetlanie 1-12 z 12

      Ta witryna wykorzystuje pliki cookies do przechowywania informacji na Twoim komputerze. Pliki cookies stosujemy w celu świadczenia usług na najwyższym poziomie, w tym w sposób dostosowany do indywidualnych potrzeb. Korzystanie z witryny bez zmiany ustawień dotyczących cookies oznacza, że będą one zamieszczane w Twoim komputerze. W każdym momencie możesz dokonać zmiany ustawień dotyczących cookies